[发明专利]基于改进粒子群优化神经网络算法的变压器油温预测方法

说明书

本发明提出了一种基于改进粒子群优化神经网络算法的变压器油温预测方法，用以解决现有变压器油面温度预测方法存在预测精度低的技术问题；其步骤为：首先，将环境温度、负荷变化和冷却器组数这些相关影响因素中的一种变量或者多种变量作为输入变量，以变压器油面温度作为输出变量；其次，采用改进的粒子群算法优化BP神经网络模型的权值和阈值，并训练优化后的BP神经网络模型，得到变压器油温预测模型；最后，利用变压器油温预测模型对变压器油面温度进行预测。本发明方法的预测结果与油面温度真实数据吻合度较高，相对误差更低，验证了本发明方法预测变压器油面温度的有效性。

技术领域

本发明涉及变压器油面温度预测技术领域，特别是指一种基于改进粒子群优化神经网络算法的变压器油温预测方法。

背景技术

变压器作为电能变换和分配的核心设备，其健康水平决定了电力系统运行的稳定程度，而随着电力系统规模的日益扩大，变压器数量也逐渐增多。在变压器运行参数中，油面温度是其运行状态判断的一个重要参数，因此，变压器油面温度的准确预测，为变压器运行工况的判断提供了一定的参考意义。

目前，针对变压器油面温度预测国内外学者已经建立了一些预测模型。文献[徐名,方洋洋,杨鹏.基于灰色模型算法的电力变压器油温预测[J].电力学报,2018,33(05):359～364+382.]在灰色模型的基础上，通过改进模型离散方程，建立了电力变压器油温预测动态估计模型，为变压器油温的短期预测构建了更为实用的预测方程。文献[王永强,岳国良,何杰等.基于Kalman滤波算法的电力变压器顶层油温预测研究[J].高压电器,2014,50(08):74～79+86]基于Kalman滤波的顶层油温状态，建立了顶层油温实时最优估计模型，提高了变压器顶层油温预测精度。文献[张磊,杨廷方,李炜等.基于LSTSVR模型的边缘计算预测变压器平均油温及绕组热点温度[J].电力自动化设备,2020,40(08):197-203.]以LSTSVR作为边缘计算模型，构建监测系统架构来预测变压器平均油温值，提高了就地端响应的实时性。文献[袁兴起,杨双艳.变压器油温监控系统研究与实现[J].河南理工大学学报(自然科学版),2014,33(05):626～629.]以灰色模型GM(1,1)为基础，建立了变压器油温变化的数学模型，有效解决了在负荷急增情况下变压器顶层油温失控的现象。另外，部分学者通过热力学、电学之间的关系，将变压器内部等效为电路模型，建立了变压器油温的等效热路模型，或者通过对变压器绕组热点温度预测来达到变压器油面温度预测的目的。文献[刘刚,靳艳娇,马永强等.油浸式变压器流体场和温度场的数值分析[J].变压器,2017,54(05):22-26.]基于有限体积法分析了油浸式变压器的流体—温度场，建立了变压器温度场数学模型，仿真得到了变压器内部温度的分布，为多物理场耦合分析变压器的温度场提供基础。文献[骆小满,阮江军,邓永清等.基于多物理场计算和模糊神经网络算法的变压器热点温度反演[J].高电压技术,2020,46(03):860-866.]提出一种基于多物理场计算和模糊神经网络算法相结合的模型对变压器绕组热点温度进行预测。文献中采用的方法，对变压器的状态监测都有不错的效果，但绕组温度和数学模型很难确定、计算量大，所以对变压器状态的监测可以从变压器油温入手。文献[何宁辉,沙伟燕,胡伟等.基于QIA-BP神经网络算法的变压器故障诊断[J].变压器,2021,58(03):50-56.]、文献[陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013.03.]和文献[Muhammad Yaqub,Seung HwanLee.Experimental and neural network modeling of micellar enhancedultrafiltration for arsenic removal from aqueous solution[J].EnvironmentalEngineering Research,2021,26(1):31～37.]均表明BP神经网络在很多方面表现较好，如BP神经网络的泛化能力非常强，对数据的处理也有一个全面的学习过程，可以满足对变压器油面温度的预测，却容易陷入局部极值，对分析结果会有一定的影响，学习收敛速度也较慢。粒子群算法是优化算法的一种，通过群体信息共享和自身历史位置不断的更新搜索方向来寻找最适合实际情况的解。在寻求数据优化问题时，该方法参数简单，易于实现，广泛应用于多个研究领域。